企业官网建设流程全解析

简介：本资源是西安电子科技大学（XDU）《模式识别》课程期末复习专用知识点串联笔记，面向人工智能、智能科学与技术等专业本科生，聚焦考前系统梳理与重点突破。内容覆盖贝叶斯决策理论、线性与非线性判别方法（Fisher判别、感知机、广义线性判别、KNN、决策树）、无监督学习核心算法（高斯混合模型、EM算法、K-means、FCM、层次聚类）及特征选择策略（Filter/Wrapper框架、可分性判据与搜索方法），并包含SVM与组合分类器等拓展考点，结构清晰、公式推导与例题结合紧密。资源为1个PDF文件，共1.4MB，排版紧凑、重点加粗、逻辑连贯，适合作为冲刺阶段的提纲式复习材料。目前已有713人学习下载，内容源自真实课堂笔记，涵盖西电该课程高频必考模块，助力考生高效串联碎片知识、把握命题脉络、提升应试能力。

1. 模式识别知识地图：不是公式堆砌，而是决策逻辑的三层嵌套

西电模式识别这门课，表面看是贝叶斯、SVM、K-means、EM 这些名词的罗列，但真正串起全书的，是一条贯穿始终的「决策逻辑链」：从“不确定”出发，用数学建模刻画不确定性，再通过优化目标把不确定性压缩成可执行的判别规则。它不考你背多少公式，而考你能否在给定数据分布、先验信息、代价约束下，快速定位该调用哪一层工具——是直接上贝叶斯做最小错误率决策？还是得先用 LDA 降维再分类？抑或连类别标签都没有，只能靠 EM 或 FCM 去反推隐变量结构？

这张地图分三层：

• 底层：不确定性建模层（贝叶斯框架、高斯混合、熵、似然函数）——回答“这个世界可能长什么样”；
• 中层：判别结构设计层（判别函数、决策面、核映射、隶属度、距离度量）——回答“我该用什么几何/代数结构去切分这个可能世界”；
• 顶层：搜索与优化层（梯度下降、拉格朗日乘子、EM 迭代、特征子集搜索、集成策略）——回答“在千万种切法里，哪一种最稳、最快、最省资源”。

期末复习最常翻车的，不是算错一个拉格朗日乘子，而是拿到一道题，第一反应是“这题该用 KNN 还是 SVM”，却没意识到：如果题目给了类先验和损失矩阵，那它根本就不是 KNN 或 SVM 的适用场景，而是最小风险贝叶斯的直答题。这份 XDU 模式识别期末知识点串联，就是按这三层逻辑重梳全部内容，把零散的“算法模块”还原成有因果、有取舍、有边界的技术判断链。适合正在系统梳理知识脉络、或考前 72 小时查漏补缺的你——它不替代教材，但能让你合上书后，脑中自动浮现出一张可导航的知识拓扑图。

2. 不确定性建模层：贝叶斯、似然与熵——所有决策的起点

模式识别的本质，是对不完全信息下的最优响应。而“不完全”三个字，决定了所有方法都必须从建模不确定性开始。这一层不产出最终分类结果，但它定义了后续所有优化问题的目标函数和约束条件。忽略它，就像没校准罗盘就出海。

2.1 贝叶斯公式：不只是条件概率，而是先验-似然-后验的闭环

贝叶斯公式 $ P(\omega_i|\mathbf{x}) = \frac{p(\mathbf{x}|\omega_i)P(\omega_i)}{p(\mathbf{x})} $ 是整门课的基石，但它的力量不在形式，而在其揭示的三元关系：

• $ P(\omega_i) $：领域知识注入点。西电考题常以“已知某类样本占总体 30%”形式给出，这就是先验，不能假设为均匀分布；
• $ p(\mathbf{x}|\omega_i) $：数据生成机制建模。若题目明确“各类服从正态分布”，这里就必须写成 $ \mathcal{N}(\boldsymbol{\mu}_i, \boldsymbol{\Sigma}_i) $；若只说“连续型”，则保留为一般密度函数；
• $ p(\mathbf{x}) = \sum_j p(\mathbf{x}|\omega_j)P(\omega_j) $：全概率归一化项。计算决策规则时它常被约掉，但若题目要求“计算后验概率具体值”，它就必须显式展开。

提示：考试中出现“等价形式”，通常指对数后验比 $ \ln\frac{P(\omega_1|\mathbf{x})}{P(\omega_2|\mathbf{x})} = \ln\frac{p(\mathbf{x}|\omega_1)}{p(\mathbf{x}|\omega_2)} + \ln\frac{P(\omega_1)}{P(\omega_2)} $。这个形式直接导出线性/二次判别函数，是连接贝叶斯与判别函数的关键桥梁。

2.2 最小错误率 vs 最小风险：代价敏感决策的分水岭

很多同学混淆二者，本质在于是否引入非对称代价：

• 最小错误率贝叶斯决策：默认所有误判代价相等（即 0-1 损失），决策规则为
  $ \text{Choose } \omega_i \text{ if } P(\omega_i|\mathbf{x}) = \max_j P(\omega_j|\mathbf{x}) $。
  等价于比较 $ p(\mathbf{x}|\omega_i)P(\omega_i) $，因分母相同。

• 最小风险贝叶斯决策：引入损失矩阵 $ \lambda_{ij} = \lambda(\alpha_i|\omega_j) $，表示将真实为 $ \omega_j $ 的样本判为 $ \alpha_i $ 的代价。此时需计算条件风险：
  $ R(\alpha_i|\mathbf{x}) = \sum_j \lambda_{ij} P(\omega_j|\mathbf{x}) $，
  再选择使 $ R(\alpha_i|\mathbf{x}) $ 最小的动作 $ \alpha_i $。

例题典型陷阱：题干给出“将正常人判为病人代价为 5，反之为 10”，这就是明确的非对称损失，必须用最小风险，而非直接比后验概率。此时决策边界会向高代价误判侧偏移——这是西电真题高频考点。

2.3 正态分布下的统计决策：协方差结构决定判别函数形态

当 $ p(\mathbf{x}|\omega_i) \sim \mathcal{N}(\boldsymbol{\mu}_i, \boldsymbol{\Sigma}_i) $ 时，判别函数 $ g_i(\mathbf{x}) $ 的形式由协方差矩阵的假设决定，这是必考辨析点：

注意：第二类（同协方差）正是 Fisher 线性判别（LDA）的理论前提——LDA 本质是寻找一个投影方向，使投影后的类间散度最大、类内散度最小，而该最优方向恰好等价于同协方差贝叶斯决策的线性判别权重 $ \boldsymbol{\Sigma}^{-1}(\boldsymbol{\mu}_1-\boldsymbol{\mu}_2) $。

2.4 熵与似然：无监督与有监督的不确定性同源表达

• 熵 $ H(X) = -\sum p(x)\log p(x) $：衡量随机变量 $ X $ 的不确定性。在特征选择中，“基于熵的判据”即选使类别条件熵 $ H(\omega|\mathbf{x}_S) $ 最小的特征子集 $ S $，因为条件熵越小，特征 $ \mathbf{x}_S $ 对类别 $ \omega $ 的预测能力越强；
• 对数似然 $ \ln L(\boldsymbol{\theta}) = \sum \ln p(\mathbf{x}_n|\boldsymbol{\theta}) $：衡量参数 $ \boldsymbol{\theta} $ 解释观测数据的能力。EM 算法的 M 步最大化的就是期望对数似然 $ Q(\boldsymbol{\theta}|\boldsymbol{\theta}^{(t)}) $。

二者统一于“最大似然估计（MLE）”思想：有监督时，我们最大化 $ p(\text{label}|\text{data},\boldsymbol{\theta}) $；无监督时，因 label 隐含，转而最大化 $ p(\text{data}|\boldsymbol{\theta}) $。所以 K-means 可视为 GMM 在协方差趋近 0 时的硬聚类极限，而 FCM 是引入模糊隶属度的软化版本——它们共享同一不确定性源头。

3. 判别结构设计层：从线性到非线性，从硬划分到软隶属

建模完不确定性，下一步是设计一个“切割工具”。这个工具的形状（线性/非线性）、硬度（硬边界/软隶属）、维度（原始空间/映射空间）决定了它能处理的问题复杂度。本层核心是理解每种结构的适用前提、几何含义与代数表达，而非死记算法步骤。

3.1 判别函数与决策面：所有分类器的共同语言

判别函数 $ g_i(\mathbf{x}) $ 是一个标量函数，其值大小代表样本 $ \mathbf{x} $ 属于类别 $ \omega_i $ 的“置信度”。决策面则是不同判别函数值相等的点集，即 $ g_i(\mathbf{x}) = g_j(\mathbf{x}) $ 的解集。

• 线性判别函数：$ g_i(\mathbf{x}) = \mathbf{w}i^T\mathbf{x} + w{i0} $，决策面为超平面 $ (\mathbf{w}i-\mathbf{w}j)^T\mathbf{x} + (w{i0}-w{j0}) = 0 $。Fisher LDA、感知机、同协方差贝叶斯均属此类；
• 二次判别函数：$ g_i(\mathbf{x}) = -\frac{1}{2}\mathbf{x}^T\boldsymbol{\Sigma}_i^{-1}\mathbf{x} + \mathbf{x}^T\boldsymbol{\Sigma}_i^{-1}\boldsymbol{\mu}_i -\frac{1}{2}\boldsymbol{\mu}_i^T\boldsymbol{\Sigma}_i^{-1}\boldsymbol{\mu}_i -\frac{1}{2}\ln|\boldsymbol{\Sigma}_i| + \ln P(\omega_i) $，决策面为二次曲面。异协方差贝叶斯、某些核方法映射后即为此类；
• 距离度量判别：如 KNN 中 $ g_i(\mathbf{x}) = -\min_{\mathbf{x}_k \in \omega_i} d(\mathbf{x},\mathbf{x}_k) $，决策面由 Voronoi 图决定，形状高度依赖训练样本分布。

提示：西电考题常要求“写出二类问题的决策面方程”。务必先确认题目给定的分布假设（正态？协方差是否相同？），再代入对应判别函数，令 $ g_1(\mathbf{x}) = g_2(\mathbf{x}) $ 整理即可。切忌直接写 $ \mathbf{w}^T\mathbf{x} + b = 0 $ 而不说明 $ \mathbf{w},b $ 的来源。

3.2 Fisher 线性判别（LDA）：类内紧、类间开的几何实现

Fisher 准则 $ J(\mathbf{w}) = \frac{\mathbf{w}^T\mathbf{S}_B\mathbf{w}}{\mathbf{w}^T\mathbf{S}_W\mathbf{w}} $ 的物理意义清晰：分子 $ \mathbf{S}_B $（类间散布矩阵）衡量投影后类中心距离，分母 $ \mathbf{S}_W $（类内散布矩阵）衡量投影后类内离散程度。最大化 $ J $ 即寻求一个方向，让类中心尽可能远、类内点尽可能聚。

对于二类问题，最优投影向量为： $$ \mathbf{w}^* = \mathbf{S}_W^{-1}(\boldsymbol{\mu}_1 - \boldsymbol{\mu}_2) $$ 这与同协方差贝叶斯的线性判别权重完全一致，印证了 LDA 是贝叶斯在特定假设下的几何实现。

实际计算中，$ \mathbf{S}_W $ 和 $ \mathbf{S}_B $ 的构造是易错点：

• $ \mathbf{S}W = \sum{i=1}^c \sum_{\mathbf{x} \in \omega_i} (\mathbf{x} - \boldsymbol{\mu}_i)(\mathbf{x} - \boldsymbol{\mu}_i)^T $，即各类内离差阵之和；
• $ \mathbf{S}B = \sum{i=1}^c N_i (\boldsymbol{\mu}_i - \boldsymbol{\mu})(\boldsymbol{\mu}_i - \boldsymbol{\mu})^T $，其中 $ \boldsymbol{\mu} $ 是总均值，$ N_i $ 是第 $ i $ 类样本数。

3.3 感知机与梯度下降：线性可分问题的迭代求解

感知机目标是找到权向量 $ \mathbf{a} = [\mathbf{w}^T, w_0]^T $，使对所有训练样本 $ \mathbf{y}_n $（已增广），有 $ \mathbf{a}^T\mathbf{y}_n > 0 $。其更新规则 $ \mathbf{a}^{(k+1)} = \mathbf{a}^{(k)} + \rho \mathbf{y}_n $（对误分样本）本质是沿负梯度方向修正。

三种梯度下降变体在西电考题中常对比考查：

关键提醒：感知机仅保证在线性可分时收敛。若题目给出“数据线性不可分”，则不能直接用感知机，需转向 SVM（引入松弛变量）或核方法。

3.4 核方法与 SVM：非线性问题的升维破局

SVM 的核心洞察是：许多在原始空间线性不可分的问题，在某个高维特征空间 $ \mathcal{F} $ 中可能是线性可分的。核技巧 $ k(\mathbf{x}_i,\mathbf{x}_j) = \phi(\mathbf{x}_i)^T\phi(\mathbf{x}_j) $ 允许我们在不显式计算 $ \phi(\cdot) $ 的情况下，完成高维空间的内积运算。

常用核函数及其适用场景：

# 线性核：适用于原始特征已具强判别力，或维度极高（如文本TF-IDF） def linear_kernel(x, y): return np.dot(x, y) # 多项式核：捕捉特征间的交互项（如 x1*x2），阶数 d 需调优 def poly_kernel(x, y, d=3, c=1): return (np.dot(x, y) + c) ** d # RBF（高斯）核：最常用，能逼近任意连续函数，γ 控制单个支持向量影响范围 def rbf_kernel(x, y, gamma=1.0): return np.exp(-gamma * np.linalg.norm(x - y) ** 2)

SVM 的决策函数为 $ f(\mathbf{x}) = \sum_{i=1}^N \alpha_i y_i k(\mathbf{x}_i, \mathbf{x}) + b $，其中 $ \alpha_i > 0 $ 的样本即为支持向量——它们是唯一决定决策面的点。考试中若问“为什么 SVM 具有稀疏性”，答案即在此：大部分 $ \alpha_i = 0 $，仅支持向量贡献。

4. 搜索与优化层：从参数估计到特征工程的系统性求解

即使有了完美的模型和结构，最终效果仍取决于如何高效、鲁棒地找到最优参数。本层覆盖从单点优化（梯度法）到全局搜索（遗传算法）、从参数学习（EM）到结构选择（特征子集）的完整工具箱。它是区分“会做题”和“真懂原理”的分水岭。

4.1 EM 算法：隐变量问题的迭代期望最大化

GMM 的参数 $ \boldsymbol{\theta} = {\pi_k, \boldsymbol{\mu}k, \boldsymbol{\Sigma}k}{k=1}^K $ 无法直接用 MLE 估计，因为隐变量 $ z{nk} $（第 $ n $ 个样本属于第 $ k $ 个分量的指示变量）未知。EM 通过交替执行 E 步（求期望）和 M 步（最大化）来解决：

• E 步：计算后验概率（责任） $ \gamma(z_{nk}) = P(z_{nk}=1|\mathbf{x}_n,\boldsymbol{\theta}^{(t)}) = \frac{\pi_k^{(t)} \mathcal{N}(\mathbf{x}_n|\boldsymbol{\mu}_k^{(t)},\boldsymbol{\Sigma}k^{(t)})}{\sum{j=1}^K \pi_j^{(t)} \mathcal{N}(\mathbf{x}_n|\boldsymbol{\mu}_j^{(t)},\boldsymbol{\Sigma}_j^{(t)})} $
• M 步：用 $ \gamma(z_{nk}) $ 作为软标签，更新参数： $$ \pi_k^{\text{new}} = \frac{1}{N}\sum_{n=1}^N \gamma(z_{nk}), \quad \boldsymbol{\mu}k^{\text{new}} = \frac{\sum{n=1}^N \gamma(z_{nk}) \mathbf{x}n}{\sum{n=1}^N \gamma(z_{nk})}, \quad \boldsymbol{\Sigma}k^{\text{new}} = \frac{\sum{n=1}^N \gamma(z_{nk}) (\mathbf{x}_n - \boldsymbol{\mu}_k^{\text{new}})(\mathbf{x}n - \boldsymbol{\mu}k^{\text{new}})^T}{\sum{n=1}^N \gamma(z{nk})} $$

注意：EM 保证对数似然单调不减，但只能收敛到局部极大值。因此西电实验题常要求“多次随机初始化，取最佳结果”。初始化质量（如用 K-means 结果初始化 GMM）直接影响最终聚类效果。

4.2 K-means 与 FCM：硬聚类与软聚类的范式对比

K-means 是 EM 在 GMM 的协方差 $ \boldsymbol{\Sigma}k \to 0 $ 且各分量权重 $ \pi_k $ 相等时的特例，其目标函数为最小化簇内平方误差： $$ J = \sum{n=1}^N \sum_{k=1}^K r_{nk} |\mathbf{x}_n - \boldsymbol{\mu}k|^2 $$ 其中 $ r{nk} \in {0,1} $ 是硬分配指示符。

FCM 则引入模糊隶属度 $ u_{nk} \in [0,1] $，满足 $ \sum_{k=1}^K u_{nk} = 1 $，目标函数为： $$ J_m = \sum_{n=1}^N \sum_{k=1}^K u_{nk}^m |\mathbf{x}n - \boldsymbol{\mu}k|^2 $$ 其中 $ m > 1 $ 是模糊指数（通常取 2），控制模糊程度。更新公式为： $$ u{nk} = \frac{1}{\sum{j=1}^K \left( \frac{|\mathbf{x}_n - \boldsymbol{\mu}_k|}{|\mathbf{x}n - \boldsymbol{\mu}j|} \right)^{\frac{2}{m-1}}}, \quad \boldsymbol{\mu}k = \frac{\sum{n=1}^N u{nk}^m \mathbf{x}n}{\sum{n=1}^N u{nk}^m} $$

关键区别：K-means 的聚类中心受离群点剧烈影响（因平方误差放大远点），而 FCM 的隶属度随距离增大而平滑衰减，对噪声更鲁棒——这是西电“对比分析题”的标准答案模板。

4.3 特征选择：Filter 与 Wrapper 的战略取舍

特征选择不是“越多越好”，而是“在精度、成本、可解释性间找平衡”。Filter 与 Wrapper 代表两种哲学：

• Filter 方法（如基于 Fisher 准则、互信息）：独立于后续分类器，计算特征子集 $ S $ 的评价指标 $ J(S) $（如类间/类内散度比），选择使 $ J(S) $ 最大的 $ S $。优点是快、稳定；缺点是忽略特征间交互及分类器特性。
• Wrapper 方法：将特征子集 $ S $ 视为黑盒，用交叉验证评估其在目标分类器（如 SVM）上的性能（如准确率），以该性能为 $ J(S) $。优点是精度高；缺点是计算昂贵，易过拟合。

西电考题常考搜索策略：

• 顺序前进（Sequential Forward Selection, SFS）：从空集开始，每次添加一个使 $ J(S) $ 提升最大的特征；
• 顺序后退（Sequential Backward Elimination, SBE）：从全集开始，每次删除一个使 $ J(S) $ 下降最小的特征；
• 增 L 减 R：一步中同时加入 $ L $ 个、删除 $ R $ 个特征，平衡探索与开发。

易错点：学生常认为 SFS 一定优于 SBE。实际上，SFS 可能陷入局部最优（早期加入的特征限制了后期选择），而 SBE 在特征数不多时更可靠。西电真题曾要求“分析 SFS 在 10 维特征中选 5 维的计算复杂度”，答案需指出其为 $ O(10 \times 9 \times 8 \times 7 \times 6) = O(10^5) $，远高于穷举 $ C_{10}^5 = 252 $。

4.4 组合分类器：Bagging 与 AdaBoost 的偏差-方差权衡

单一分类器常面临高方差（如决策树过拟合）或高偏差（如线性模型欠拟合）。组合方法通过集成多个弱学习器降低整体泛化误差。

• Bagging（Bootstrap Aggregating）：对训练集进行有放回随机抽样（bootstrap），得到 $ B $ 个子集，分别训练基分类器 $ h_b $，最终投票（分类）或平均（回归）。其核心是降低方差，对高方差模型（如深决策树）效果显著。西电考题常问：“Bagging 中为何抽样比例约为 $ 1-1/e \approx 63.2% $？”——因 $ n $ 个样本中，某一样本未被抽中的概率为 $ (1-1/n)^n \to e^{-1} $，故平均约 36.8% 样本成为 out-of-bag (OOB) 数据，可用于无偏评估。

• AdaBoost（Adaptive Boosting）：初始化样本权重均匀，每轮训练一个基分类器 $ h_t $，根据其错误率 $ \epsilon_t $ 计算权重 $ \alpha_t = \frac{1}{2}\ln\frac{1-\epsilon_t}{\epsilon_t} $，再更新样本权重：正确分类的样本权重降低，错误分类的升高。最终强分类器为 $ H(\mathbf{x}) = \text{sign}(\sum_t \alpha_t h_t(\mathbf{x})) $。其核心是降低偏差，对高偏差模型有效。

二者本质是同一枚硬币的两面：Bagging 通过多样性（different datasets）减方差，AdaBoost 通过聚焦难点（re-weighting）减偏差。考试中若见“比较 Bagging 与 AdaBoost 对噪声的鲁棒性”，标准答案是：Bagging 更鲁棒（因噪声样本在多数 bootstrap 中被稀释），AdaBoost 易受噪声干扰（因错误样本权重被不断放大）。

5. 易错点与易忽略点：西电期末考卷上的隐形扣分项

模式识别考试不是拼谁记得多，而是拼谁避坑准。以下 5 条是历年真题和模拟卷中最高频的“玄学失分点”，每一条背后都有血泪经验——不是概念不懂，而是细节踩坑。

5.1 贝叶斯决策中，混淆“后验概率最大”与“似然最大”

• 易漏点：看到 $ p(\mathbf{x}|\omega_i) $ 就直接比大小，忽略先验 $ P(\omega_i) $。
• 为什么漏：教材例题常设 $ P(\omega_1)=P(\omega_2) $，导致思维惯性；考试题却偏爱给 $ P(\omega_1)=0.9, P(\omega_2)=0.1 $ 这种非均匀先验。
• 怎么补：养成强制写全 $ p(\mathbf{x}|\omega_i)P(\omega_i) $ 的习惯。哪怕题目没给先验，也要写“若先验相等，则…”——这能拿步骤分，且暴露你的逻辑链。

5.2 Fisher LDA 的投影维度与类别数绑定

• 易漏点：对 $ c $ 类问题，认为 LDA 最多投影到 $ c-1 $ 维，却在计算中仍用 $ c $ 维投影向量。
• 为什么漏：公式推导中 $ \mathbf{S}_B $ 的秩最多为 $ c-1 $，故非零特征值最多 $ c-1 $ 个。若强行取 $ c $ 个，第 $ c $ 个特征向量对应零特征值，无判别信息。
• 怎么补：牢记口诀“$ c $ 类 → $ \leq c-1 $ 维”。做题时先算 $ \mathbf{S}_B $ 的秩（或直接写 $ \min(c-1, d) $，$ d $ 为原始维数），再取对应数量的主成分。

5.3 KNN 中，k 值选择与样本量、维度的隐性冲突

• 易漏点：只记“k 小则敏感噪声，k 大则模糊边界”，却忽略“k 必须小于训练样本数 $ N $”，且在高维空间中，k 需显著增大才能保证最近邻有意义（维数灾难）。
• 为什么漏：教材强调 k 的奇偶性（防平票），但西电考题曾出：“100 个样本，k=50 是否合理？”——答案是否定的，因 k=50 时，决策几乎退化为先验概率估计，丧失局部性。
• 怎么补：k 的经验上限为 $ \sqrt{N} $，下限为 1（奇数）。若题目给高维数据（如 50 维），应质疑 KNN 是否仍是首选，并考虑先降维（LDA/PCA）。

5.4 EM 算法中，混淆“E 步计算的是期望”与“M 步最大化的是似然”

• 易漏点：在 M 步写 $ \max_{\boldsymbol{\theta}} \sum_n \ln p(\mathbf{x}n|\boldsymbol{\theta}) $，而正确目标是 $ \max{\boldsymbol{\theta}} Q(\boldsymbol{\theta}|\boldsymbol{\theta}^{(t)}) = \mathbb{E}_{Z|\mathbf{X},\boldsymbol{\theta}^{(t)}}[\ln p(\mathbf{X},Z|\boldsymbol{\theta})] $。
• 为什么漏：Q 函数的定义抽象，学生易跳过推导直接记结论。但西电推导题必考“写出 GMM 的 Q 函数并求导”。
• 怎么补：死记 Q 函数结构：$ Q = \sum_n \sum_k \gamma(z_{nk}) \ln [\pi_k \mathcal{N}(\mathbf{x}_n|\boldsymbol{\mu}_k,\boldsymbol{\Sigma}_k)] $。求导时，对 $ \pi_k $ 求导需加约束 $ \sum_k \pi_k = 1 $，用拉格朗日乘子法。

5.5 SVM 中，误将“支持向量”等同于“离决策面最近的点”

• 易漏点：认为所有离超平面距离 $ \frac{1}{|\mathbf{w}|} $ 的点都是支持向量。
• 为什么漏：忽略了支持向量的定义是 $ \alpha_i > 0 $，而 $ \alpha_i > 0 $ 当且仅当样本满足 $ y_i(\mathbf{w}^T\mathbf{x}_i + b) = 1 $（即位于间隔边界上）。若数据有松弛变量 $ \xi_i > 0 $，则 $ \alpha_i = C $ 的点也是支持向量，但它们在间隔内甚至误分侧。
• 怎么补：支持向量有三类：① $ 0 < \alpha_i < C $：严格在边界上；② $ \alpha_i = C $：在间隔内或误分；③ $ \alpha_i = 0 $：非支持向量。考试画图题，必须标出这三类点的位置。

6. 期末冲刺复习清单：72 小时精准查漏与实战推演

最后 72 小时，不是从头学，而是用一套结构化动作，把知识网络里的断点、模糊点、易错点全部激活。我给自己定的铁律是：每道题，必须走完“建模→结构→优化”三步闭环。下面这份清单，就是按此逻辑设计的实战推演表，覆盖西电模式识别所有核心题型。照着做，能帮你把“好像会”变成“肯定能”。

6.1 三步闭环自查表：针对每类题型的强制流程

对任何一道题，无论它看起来多简单，都必须机械执行以下三步，并在草稿纸上写下关键词。这是防止考场大脑空白的后悔药。

本文还有配套的精品资源，点击获取